[發明專利]風險加權資產數據的確定方法及相關裝置

在審

• 申請號: 202210464943.4
• 申請日: 2022-04-29
• 公開（公告）號: CN114881759A
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 丁亞楠;王波;楊曉宇
• 申請（專利權）人: 中國農業銀行股份有限公司
• 主分類號: G06Q40/02
• 分類號: G06Q40/02;G06N3/08;G06N3/04
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 藏斌

1.一種風險加權資產數據的確定方法，其特征在于，包括：

獲取待預測的資產數據；

對所述資產數據進行標準化處理，從而獲得相應的數據序列；

將所述數據序列輸入至預先訓練好的神經網絡模型，從而獲得所述神經網絡模型預測的所述資產數據在內部評級法下的風險加權資產數據。

2.根據權利要求1所述的方法，其特征在于，在所述將所述數據序列輸入至預先訓練好的神經網絡模型，從而獲得所述神經網絡模型預測的所述資產數據在內部評級法下的風險加權資產數據之后，所述方法還包括：

將所述風險加權資產數據保存至第一文件；

根據所述第一文件記錄的風險加權資產數據，調整所述神經網絡模型的參數。

3.根據權利要求1所述的方法，其特征在于，所述神經網絡模型的訓練過程，包括：

獲得之前計算得到的多條歷史風險加權資產數據；

對各所述歷史風險加權資產數據進行標準化處理，從而獲得相應的監督學習序列；

基于所述監督學習序列，對所述神經網絡模型進行訓練；

使用平均絕對誤差函數MAE和平均平方誤差函數MSE計算經過訓練后的所述神經網絡模型的精度；

當所述精度滿足預設精度要求時，確定所述神經網絡模型已訓練完成。

4.根據權利要求3所述的方法，其特征在于，每條所述歷史風險加權資產數據包括多個數據項，所述多個數據項包括違約概率項、違約損失率項、有效期限項和資產編號項；

所述對各所述歷史風險加權資產數據進行標準化處理，從而獲得相應的監督學習序列，包括：

對于任一所述歷史風險加權資產數據，均根據各所述歷史風險加權資產數據中的違約概率項，查詢預設的數據項調整表，從而獲得其它數據項并將查詢到的所述其它數據項添加至相應的歷史風險加權資產數據，其中，所述其它數據項包括違約暴露項、期限調整因子項、暴露的相關性項、資本要求項和加權資產項中的至少一種；

根據所述歷史風險加權資產數據中的違約概率項，查詢所述數據項調整表，從而獲得除所述違約概率項和所述資產編號項以外的任一異常的數據項的處理方法，并根據所述處理方法，修改相應的異常的數據項；

將所述資產編號項為空的歷史風險加權資產數據刪除；

將相應的數據項分別轉化為浮點小數；

通過min-max標準化方法，將各所述浮點小數進行歸一化，從而獲得訓練數據集合；

根據所述訓練數據集合和進行相應計算時所使用的歷史資產數據，按照時間順序生成相應的二維監督學習序列。

5.根據權利要求4所述的方法，其特征在于，所述基于所述監督學習序列，對所述神經網絡模型進行訓練，包括：

設置所述神經網絡模型的輸入數據為所述二維監督學習序列；

設置所述神經網絡模型的激活函數；

設置所述神經網絡模型的編譯優化器參數；

根據設置的所述二維監督學習序列、所述激活函數和所述編譯優化器參數，對所述神經網絡模型進行訓練。

6.一種風險加權資產數據的確定裝置，其特征在于，包括：待測數據獲得單元、數據序列獲得單元和預測單元；

所述待測數據獲得單元，用于獲取待預測的資產數據；

所述數據序列獲得單元，用于對所述資產數據進行標準化處理，從而獲得相應的數據序列；

所述預測單元，用于將所述數據序列輸入至預先訓練好的神經網絡模型，從而獲得所述神經網絡模型預測的所述資產數據在內部評級法下的風險加權資產數據。

7.根據權利要求6所述的裝置，其特征在于，所述裝置還包括：保存單元和參數調整單元；

所述保存單元，用于在所述將所述數據序列輸入至預先訓練好的神經網絡模型，從而獲得所述神經網絡模型預測的所述資產數據在內部評級法下的風險加權資產數據之后，將所述風險加權資產數據保存至第一文件；

所述參數調整單元，用于根據所述第一文件記錄的風險加權資產數據，調整所述神經網絡模型的參數。